1、概述
官网架构及执行流程图:
官方文档地址:https://docs.scrapy.org/en/latest/topics/architecture.html#components
2、scrapy 组件
-
Scrapy Engine(引擎):负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯,信号、数据传递等。
-
Scheduler(调度器):它负责接受引擎发送过来的Request请求,并按照一定的方式进行整理排列,入队,当引擎需要时,交还给引擎。
-
Downloader(下载器):负责下载Scrapy Engine(引擎)发送的所有Requests请求,并将其获取到的Responses交还给Scrapy Engine(引擎),由引擎交给Spider来处理。
-
Spider(爬虫):它负责处理所有Responses,从中分析提取数据,获取Item字段需要的数据,并将需要跟进的URL提交给引擎,再次进入Scheduler(调度器)。
-
Item Pipeline(管道):它负责处理Spider中获取到的Item,并进行进行后期处理(详细分析、过滤、存储等)的地方。
-
Downloader Middlewares(下载中间件):一个可以自定义扩展下载功能的组件。
-
Spider Middlewares(Spider中间件):一个可以自定扩展和操作引擎和Spider中间通信的功能组件。
上述内容从百度百科获取,原文地址为1中的官方文档
3、执行流程
流程如图中的红色箭头所示,由执行引擎控制,具体如下:
- 引擎从Spider获取初始化的Requests对象
- 引擎把Requests对象调度至Scheduler,并且请求接下来的Requests
- Scheduler返回Requests到引擎
- 引擎通过下载中间件(Downloader Middlewares)把Requests发送给下载器(Downloader)
- 当请求完成后,下载器生成Response对象,通过下载中间件发送给引擎。
- 引擎接收到Respnse对象后,通过Spider中间件发送给Spider,用于后续处理。
- Spider处理Response对象,通过Spider中间,返回items和新的请求(如果有)给引擎。
- 引擎把处理好的items发送给Item Pipelines,处理过的新Requests给Scheduler。
- 流程不断重复,直到Scheduler中不再有新的Requests。
没啥好说的基本上就是对官网英文文档做下简单的翻译。在整体了解了scrapy的架构及执行流程后,接下来我们通过一个项目做进一步的了解。
源代码仓库地址:https://gitee.com/gaogzhen/python-study
QQ群:433529853